迭代学习控制
迭代学习控制（iterative learning control，简称ILC）由Arimoto等人于1984年正式提出，它是指不断重复一个同样轨迹的控制尝试，并以此修正控制律，以得到非常好的控制效果的控制方法。迭代学习控制是学习控制的一个重要分支，是一种新型学习控制策略。它通过反复应用先前试验得到的信息来获得能够产生期望输出轨迹的控制输入，以改善控制质量。与传统的控制方法不同的是，迭代学习控制能以非常简单的方式处理不确定度相当高的动态系统，且仅需较少的先验知识和计算量，同时适应性强，易于实现；更主要的是，它不依赖于动态系统的精确数学模型，是一种以迭代产生优化输入信号，使系统输出尽可能逼近理想值的算法。它的研究对那些有着非线性、复杂性、难以建模以及高精度轨迹控制问题有着非常重要的意义.
前馈式学习控制结构
最初的学习控制-迭代学习控制（ILC），由日本学者首倡于1984年。不像其他的的控制方法从线性受控对象起步，迭代学习控制开门见山就把非线性系统作为研究对象，且要在有限区间[0,T]上实现输出完全追踪的控制任务。这里完全追踪（perfect tracking）指系统的输出自始至终，无论是暂态还是稳态，都和目标轨道保持一致。显然，迭代学习控制的起点要比其它控制方法高出一截可是，从二十年的发展历程看，起点过高也有不利的一面：发展空间不足以及难以和主流控制方法相融合。
而事实上，只要任务是可重复的，或系统干扰是周期性的，都可用ILC来解决实际问题。从迭代学习控制方法的产生至今已有二十多年的历史它已经发展成为智能控制领域的一个新的发展方向，它的研究对那些有着非线性、强耦合、难以建模以及高精度轨迹控制的问题有非常重要的意义。
迭代学习控制适用于具有重复运动性质的被控系统，它的目标是实现有线区间上的完全跟踪任务。它通过对被控系统进行控制尝试，以输出信号与给定目标的偏差修正不理想的控制信号，使得系统的跟踪性能得以提高。迭代学习控制的研究对具有较强的非线性耦合、较高的位置重复精度、难以建模和高精度轨迹跟踪控制要求的动力学系统有着非常重要的意义。